Відповідно до нещодавно випущеного звіту про промислового AI та AI на ринку 2021-2026 років, рівень прийняття ШІ в промислових умовах зросла з 19 відсотків до 31 відсотків за трохи більше двох років. Окрім 31 відсотків респондентів, які повністю або частково розгорнули AI у своїх операціях, ще 39 відсотків перевіряють або пілотують цю технологію.
AI стає ключовою технологією для виробників та енергетичних компаній у всьому світі, а аналіз IoT прогнозує, що ринок промислових рішень AI покаже сильну річну температуру зростання (CAGR) в розмірі 35% до досягнення 102,17 мільярдів доларів до 2026 року.
Цифрова епоха народила Інтернет речей. Видно, що поява штучного інтелекту прискорила темпи розвитку Інтернету речей.
Давайте подивимось на деякі фактори, що сприяють зростанню промислового AI та AIOT.
Фактор 1: Все більше і більше програмних засобів для промислового AIOT
У 2019 році, коли IoT Analytics почала охоплювати промисловий ШІ, було мало спеціальних програмних продуктів AI від постачальників операційних технологій (ОТ). З тих пір багато постачальників ОТ вийшли на ринок AI, розробляючи та надаючи програмні рішення AI у вигляді платформ AI для фабричної підлоги.
За даними, майже 400 постачальників пропонують програмне забезпечення AIOT. Кількість постачальників програмного забезпечення, що приєднуються до ринку промислового ШІ, різко зросла за останні два роки. Під час дослідження IoT Analytics визначила 634 постачальників технології AI для виробників/промислових клієнтів. З цих компаній 389 (61,4%) пропонують програмне забезпечення AI.
Нова програмна платформа AI зосереджена на промислових умовах. Крім поглинання, BrainCube або C3 AI, зростаюча кількість постачальників операційних технологій (OT) пропонує спеціальні програмні платформи AI. Приклади включають ABB's Genix Industrial Analytics та Suite AI, інноваційний набір FactoryTalk Rockwell Automation, власна конслатна для виробництва Schneider Electric, а останнім часом, конкретні додатки. Деякі з цих платформ орієнтовані на широкий спектр випадків використання. Наприклад, платформа Genix ABB надає розширену аналітику, включаючи попередньо вбудовані програми та послуги для управління операційними результатами, цілісність активів, стійкість та ефективність ланцюгів поставок.
Великі компанії розміщують свої програмні інструменти AI на магазині.
Наявність програмних засобів AI також керується новими програмними засобами, що стосуються конкретних програм, розроблених AWS, великими компаніями, такими як Microsoft та Google. Наприклад, у грудні 2020 року AWS випустив Amazon Sagemaker Jumpstart, особливість Amazon SageMaker, який забезпечує набір заздалегідь вбудованих та настроюваних рішень для найпоширеніших випадків промислового використання, таких як PDM, комп'ютерне зору та автономне водіння, розгортається лише кількома кліками.
Використовувальні програмні рішення, що стосуються конкретних процесів, сприяють покращенню зручності використання.
Використовуючи специфічні для програмного забезпечення набори, такі як орієнтовані на прогностичне обслуговування, стають все більш поширеними. IoT Analytics зауважила, що кількість постачальників, що використовують програмні рішення на основі продуктів на основі AI (PDM), зросла до 73 на початку 2021 року через збільшення різноманітності джерел даних та використання моделей перед тренуванням, а також широко розповсюдженого впровадження технологій розширення даних.
Фактор 2: Розробка та обслуговування розчинів ШІ спрощуються
Автоматизоване машинне навчання (Automl) стає стандартним продуктом.
Завдяки складності завдань, пов'язаних з машинним навчанням (ML), швидке зростання програм машинного навчання створило потребу в методах машинного навчання поза поле, які можна використовувати без досвіду. Отримана сфера досліджень, прогресивна автоматизація машинного навчання, називається Automl. Різноманітні компанії використовують цю технологію як частину своїх пропозицій AI, щоб допомогти клієнтам розвивати моделі ML та швидше впроваджувати випадки промислового використання. Наприклад, у листопаді 2020 року SKF оголосив про продукт на основі автоматики, який поєднує дані машинного процесу з даними про вібрацію та температури, щоб зменшити витрати та забезпечити нові бізнес-моделі для клієнтів.
Операції машинного навчання (ML OPS) спростити управління та обслуговування моделі.
Нова дисципліна операцій з машинним навчанням має на меті спростити обслуговування моделей AI у виробничих умовах. Продуктивність моделі AI, як правило, погіршується з часом, оскільки на неї впливають кілька факторів на заводі (наприклад, зміни в розподілі даних та стандартів якості). Як результат, операції з технічного обслуговування та машинного навчання стали необхідними для задоволення високоякісних вимог промислових середовищ (наприклад, моделі з продуктивністю нижче 99% можуть не визначити поведінку, яка загрожує безпеці працівників).
Останніми роками багато стартапів приєдналися до простору ML OPS, включаючи DataRobot, Grid.AI, Pinecone/Zilliz, Seldon, Weats & Sicies. Створені компанії додали операції машинного навчання до існуючих програмних пропозицій AI програмного забезпечення, включаючи Microsoft, яка запровадила виявлення дрейфу даних у Azure ML Studio. Ця нова функція дозволяє користувачам виявляти зміни в розподілі вхідних даних, що погіршують продуктивність моделі.
Фактор 3: Штучний інтелект, застосований до існуючих додатків та випадків використання
Традиційні постачальники програмного забезпечення додають можливості AI.
Окрім існуючих горизонтальних програмних засобів AI, таких як MS Azure ML, AWS SageMaker та Google Cloud Vertex AI, традиційні програмні набори, такі як комп’ютеризовані системи управління технічним обслуговуванням (CAMMS), системи виконання виробництва (MES) або планування ресурсів підприємства (ERP), тепер можуть бути значно вдосконалені шляхом ін'єкційного AI -можливості. Наприклад, програмне забезпечення EPICOR EPICOR EPICOR додає можливості AI до існуючих продуктів через свій віртуальний помічник Epicor (EVA). Інтелектуальні агенти EVA використовуються для автоматизації процесів ERP, таких як перенесення виробничих операцій або виконання простих запитів (наприклад, отримання деталей про ціноутворення продуктів або кількість доступних деталей).
Випадки промислового використання оновлюються за допомогою AIOT.
Кілька випадків промислового використання вдосконалюються шляхом додавання можливостей AI до існуючої апаратної/програмної інфраструктури. Яскравий приклад - машинне бачення в програмах контролю якості. Традиційні системи Machine Vision обробляють зображення за допомогою інтегрованих або дискретних комп'ютерів, оснащених спеціалізованим програмним забезпеченням, яке оцінює заздалегідь визначені параметри та пороги (наприклад, високий контраст), щоб визначити, чи виявляють об'єкти дефекти. У багатьох випадках (наприклад, електронні компоненти з різними формами проводки) кількість помилкових позитивних результатів дуже висока.
Однак ці системи відроджуються за допомогою штучного інтелекту. Наприклад, постачальник промислових машин Cognex випустив новий інструмент глибокого навчання (Vision Pro Deep Learning 2.0) у липні 2021 року. Нові інструменти інтегруються з традиційними системами зору, що дозволяє кінцевим користувачам поєднувати глибоке навчання з традиційними інструментами зору в одному додатку для задоволення вимогливих медичних та електронних середовищ, які потребують точного вимірювання подряпин, забруднення та інших дефектів.
Фактор 4: Удосконалено промислове обладнання AIOT
Чіпки AI швидко покращуються.
Вбудовані обладнання AI -чіпси швидко зростають, з різноманітними варіантами для підтримки розробки та розгортання моделей AI. Приклади включають останні одиниці обробки графіки NVIDIA (GPU), A30 та A10, які були представлені в березні 2021 року та підходять для випадків використання ШІ, таких як системи рекомендацій та системи комп'ютерного зору. Іншим прикладом є підрозділи обробки підрозділів четвертого покоління Google (TPU), які є потужними інтегрованими схемами спеціального призначення (ASICS), які можуть досягти до 1000 разів більш ефективності та швидкості розробки моделі та розгортання для специфічних навантажень AI (наприклад, виявлення об'єктів, класифікації зображень та рекомендаційних орієнтирів). Використання спеціального обладнання AI скорочує час обчислення моделі з днів до хвилин і виявилося зміною гри у багатьох випадках.
Потужне обладнання AI негайно доступне за допомогою моделі оплати за використання.
Підприємства Superscale постійно оновлюють свої сервери, щоб зробити обчислювальні ресурси доступними у хмарі, щоб кінцеві користувачі могли реалізувати промислові програми AI. Наприклад, у листопаді 2021 року AWS оголосив про офіційний випуск останніх екземплярів на базі GPU, Amazon EC2 G5, що працює на GPU NVIDIA A10G Tensor, для різних програм ML, включаючи комп'ютерне зорове та рекомендаційне двигуни. Наприклад, постачальник систем виявлення Nanotronics використовує приклади Amazon EC2 свого рішення на основі якості на основі AI для прискорення зусиль з обробки та досягнення більш точних показників виявлення у виробництві мікрочіпів та нанотрубок.
Висновок та перспектива
AI виходить з фабрики, і він буде всюдисущим у нових програмах, таких як PDM на основі AI, і як вдосконалення існуючих випадків програмного забезпечення та використання. Великі підприємства розгортають кілька випадків використання ШІ та успіху звітності, і більшість проектів мають високу віддачу від інвестицій. Загалом, підйом хмари, платформи IoT та потужні чіпи AI забезпечують платформу для нового покоління програмного забезпечення та оптимізації.
Час повідомлення: 12-2022 січня